Mémoire de maîtrise (2019)
|
Libre accès au plein texte de ce document Conditions d'utilisation: Tous droits réservés Télécharger (1MB) |
Résumé
La classification automatique de plusieurs observations en mouvement, utilisant des radars de surveillance au sol, a fait l'objet de beaucoup d'attention en recherche. Le problème de la classification automatique sans assistance humaine reste un défi pour les systèmes radar modernes. En particulier, la distinction entre les petits drones et les oiseaux est un nouveau défi auquel les systèmes précédents n'avaient pas à faire face. La classification est souvent effectuée hors ligne, à l'aide de techniques d'apprentissage supervisées, mais la reconnaissance de classes invisibles reste difficile. En règle générale, les méthodes de classification en ligne nécessitent un niveau élevé d'informations et prennent beaucoup de temps. Dans ce travail, nous décrivons et analysons un modèle de classification simple pour une formalisation du problème, que nous appelons la reconnaissance de cibles de radar avec leurres. De plus, nous évaluons les performances du modèle proposé à la fois sur des données simulées et sur un jeu de données radar réel. Les résultats des expériences montrent que le modèle proposé offre une meilleure performance que les méthodes actuelles.
Abstract
Automatic classification of multiple moving targets, using ground surveillance radars has received a lot of attention in radar technology research. The problem of automatic classification without human assistance remains a challenge for modern radar systems. In particular, distinguishing between small drones and birds is a novel challenging problem that older systems did not have to face. The classification is often performed offline, using supervised learning techniques, but recognition of unseen classes remains difficult. Typically, online classification methods requires fine grained information and are very time consuming. This study aims to develop a new method for recognizing the observations from unknown classes. In this work, we describe and analyze a new model for a formalization of the problem, which we call online target recognition with decoys. The proposed model is an extension of Bayesian quadratic discriminant analysis for classification with additional abilities to recognize objects from unknown classes, called decoys. We aim to study how effectively the new model can predict the class of the new observations and predict the noise objects as decoys. Furthermore, we evaluate the performance of the proposed model on simulated data and on a real radar dataset, and compare it to quadratic discriminant analysis and support vector machine methods. Experiment results show that the proposed model improve over these baselines.
Département: | Département de mathématiques et de génie industriel |
---|---|
Programme: | Maîtrise recherche en mathématiques appliquées |
Directeurs ou directrices: | Andrea Lodi, Didier Chételat et Vahid Partovi Nia |
URL de PolyPublie: | https://publications.polymtl.ca/3822/ |
Université/École: | Polytechnique Montréal |
Date du dépôt: | 12 juin 2019 15:04 |
Dernière modification: | 08 avr. 2024 09:13 |
Citer en APA 7: | Ayati, S. (2019). Online Radar Target Recognition with Decoys [Mémoire de maîtrise, Polytechnique Montréal]. PolyPublie. https://publications.polymtl.ca/3822/ |
---|---|
Statistiques
Total des téléchargements à partir de PolyPublie
Téléchargements par année
Provenance des téléchargements